最近啊,后台有不少小伙伴问我,个人知识库到底该怎么答?是直接用 notebook lm, 还是自己搞一套 rack, 还是用卡帕西提出的 lm wiki? 面对这些问题,我想先抛出一个观点,个人知识库不是越复杂越好,并且在二零二六年的今天,知识库也没有所谓的标准答案。 那个人知识库真正要解决的问题其实很简单,第一,我看过的内容能不能被 ai 理解和总结。 第三,我长期关注的领域能不能慢慢沉淀成自己的知识体系。而且不是说一个知识库能解决所有的问题,你可以根据不同的场景、不同的需求去构建多个知识库。那今天我就围绕这三个问题,给大家分享下个人知识库的方法论和工具。最后也会有个人的时间案例。 先说个适合普通人的方案,个人的在线知识库代码工具就是 notebook lm 和 perplexity spaces。 这类工具的核心特点非常简单,你上传文档, ai 基于你的资料回答问题,并且自动标注出处,不用写代码,不用部署,不用搭数据库,也不用理解什么 in binding、 向量搜索 chunking。 你 只要把 pdf、 文章、课程资料、回记录等等上传进去,它就可以帮你回答、总结、提炼重点。对于大多数个人用户来说,这已经非常够用了。 比如你是一位内容创作者,你可以把自己收集的资料上传进去,让 ai 帮你提炼选题。你是一个学生,可以把论文、教材、课程笔记上传进去,让他帮你梳理知识点。 你是一个产品经理,可以把竞品分析、需求文档、用户反馈放进去,让他帮你总结和对比。这就是在线知识库的最大优势,零代码零部署,上传即用。当然,在线方案也有缺点,第一,数据要上传到第三方服务器。第二,解锁逻辑不能自己改。第三,不能深度集成自己的产品和工作流。 第四,文档数量和项目规模通常都有上限,所以说它更适合轻量的个人使用,不适合强隐私、高定制、长期工程化的场景。如果你只是想要管理自己的资料,那就可以先从在线方案开始,通常是最省事的。 那如果你不满足于上传文档回答,而是想把知识库长期沉淀成自己的体系,那就可以看第二条路线。 l m v t 这个概念是上个月由卡帕西提出来的,也是非常的火,思路非常有意思。 传统的 reg 是 什么?你提问的时候,系统才去原始文档里面解锁相关的片段,然后丢给大模型回答。而 l l m wiki 反过来, 它不是每次提问都去翻原文,而是提前让大模型把原始资料整理化成结构化的 wiki 页面。以后你要问问题的时候, ai 不 一定每次都要读原文,而是优先读自己已经整理好的 wiki 页面。 你可以这样理解, reg 是 查询式处理, l l m wiki 是 写入式处理, reg 像是每次考试都翻书,而 l l m wiki 像是提前把书整理成复习笔记。 这个方案啊,对个人知识管理很有吸引力,因为它的基础设施非常的轻。你可以用 obsidian 管马克钢文件,再用 cloud code 或者 codex 这类智能体帮你提取资料、整理页面维护、交叉引用,甚至不一定需要用到向量数据库,它的结果也很符合个人知识管理的习惯, 原始资料还在 wiki 页面负责总结和组织 ai 帮你维护知识之间的关系。听到这,你是不是觉得这个就是个人知识库的最终答案了?并不是,其实这套方案的坑也不少。第一个坑也是最反直觉的点, lm wiki 并没有真正的省 token, 而是把 token 从查询时变成了写入时。 red 是 每次问的时候消耗, lm wiki 是 每次新增资料更新资料的时候消耗。如果你的知识库更新很慢,但会被反复的查询,那 lm wiki 很 香。 第二个坑是 wiki 一 旦写错,错误就会长期的沉淀,而 red 出错可能只是这一次解锁错了。这就很危险,因为它不是临时错误,而是知识体系里面的长期污染。 第三个坑是规模问题, l n wiki 更适合中小规模的个人知识体系,如果你的资料已经有几千篇、几万篇,而且还在高频的变化,那 wiki 的 维护成本会很高。 所以 lm wiki 适合更新慢,追求长期沉淀,愿意维护自己知识体系的人。如果你想做自己的第二大脑,而不是单纯的问答,那 lm wiki 就 值得研究。 第三条路线是更进阶的个人自建方案及 bring。 这是 yc 总裁 gary tan 自己搭的一套 ai agent 的 记忆体系,它比 lm wiki 更重,也会更复杂。 它不是简单的整理 wiki, 也不是只做向量解锁,而是把几件事情结合起来,向量解锁、关键词解锁、知识图谱、后台任务 agent skills, 它可以把 gmail、 谷歌的日历、推特、通话记录这些个人数据全部都接进来,然后自动形成一个复杂的个人记忆系统。 比如 gary tan 作为 yc 总裁,他需要管理大量的创业者、公司、投资关系和行业信息。这种场景下,普通的文档回答是不够的,他真正需要的是一个复杂的个人记忆网络。但注意, gary tan 的 问题也掐掐在这里。他太为 gary tan 自己的工作流定制了。 他的数据源关系、类型、使用方式都高度围绕 yc 的 场景设计。比如谁创办了什么公司,谁投资了谁,谁参加过什么活动,谁和谁有关联。 如果你想换成别的场景,比如内容创作者、程序员、产品经理、企业管理者,那很多地方都要改。而且它的技术门槛也不低,像 type script、 post、 向量数据库、 docker 这些都不是普通个人用户随便点几下就能跑起来的。所以 gribin 更适合技术能力强,支持网络非常复杂,并且愿意为自己的工作留深度定制的人。对大多数个人用户来说,它不是首选。你可以研究它的思路,但不一定要直接照搬它的系统。 讲完这三条路线之后,我再分享一个我自己的真实案例。这个知识库是我专门为当前这个 ai 账号搭建的,用来服务我的内容创作。所以我给他的定位很简单, notebook lm 加内容创作系统 notebook lm 主要负责处理外部的资料,比如爆款视频、热门文章、产品更新模型发布的信息, 我会先用它进行分析这个内容为什么火,标题怎么设计,开头怎么抓人?用户的痛点是什么?但我不会把所有的链接、网页、原始资料都直接扔到自己的内容系统里面,因为内容系统不是垃圾桶,它要沉淀的是可附用的资产。 所以我的内容创作系统里面主要放四类东西,素材库、选题库、内容产出数据复盘。素材库放长期可附用的案例、观点数据和京剧选题库,用来判断哪些素材值得做视频 内容产出沉淀脚本、长文笔记、标题和封面文案。数据复盘则定期看播放量、完播率、互动和评论反馈,再反过来优化选择题。 所以你会发现,我这个知识库并没有照搬任何大神的模板,它只是围绕我的真实工作流搭起来的。这也说明一个问题,知识库并没有标准答案,只要它能帮你减少重复劳动,能让素材选择题脚本复盘形成闭环,它就是一个好的知识库。 那最后我再给大家总结一下,如果你不想折腾资料,也没有那么强隐私要求,直接用 notebook lm 或 perplexity space。 如果你想长期沉淀自己的知识体系,资料更新不算特别快,可以尝试 lmvt。 如果你的技术能力很强,个人知识网络非常复杂,比如你要管理大量人、公司项目、事件之间的关系,再考虑 gribin 这种重型的方案。 ok, 那 本期关于个人知识库的分享就先到这,如果对你有帮助的话,麻烦点赞加关注,下期我们会继续聊,企业知识库是如何搭建的?我是布鲁,你的 ai 好 搭死,我们下期视频再见!
粉丝4.5万获赞24.8万


最近 ai 圈又冒出来一个挺有意思的个人知识库思路,以前是你问一次大模型,就从文件里重新找一次,现在干脆反过来让他长期维护一套会不断更新的 wiki, 把每次读过、整理过的内容都留下来。这个思路正好戳中了个人知识库最常见的痛点。 我们存在 obsidian 里的 pdf、 word、 excel 和网页,虽然能被传统 reg 搜到,可每次问出来的关系和判断通常不会自动沉淀,所以换个问题系统还得重新找、重新拼。也正因为这个缺口,现在有一条很值得关注的新路线,叫 l l m wiki。 他会在资料进入知识库时,就让 l l m。 智能体开始整理,把人物、公司概念和结论写成互相链接的 wiki 页面,以后再加入一份新资料。智能体不只会创建新页面,还会修改旧总结、补充新证据,甚至把前后矛盾的说法标出来。 等 wiki 整理好以后,再让 chad 的 gpt 基于这些知识写文章、做方案或者辅助决策。理想中的个人 ai 知识库闭环就出现了,可真正搭起来问题也马上来了, obsidian llm wiki 和 chad 的 gpt 到底怎么接在一起? 如果 l i m 第一次就写错了错误,会不会跟着知识库一起积累?等资料越来越多以后,还要不要用 reg? 这一期,我就把这几件事放进同一条工作流里,讲清楚。从知识库怎么搭、资料进来以后怎么流动,一直讲到 chat、 gpt 怎么调用, 以及这套方法为什么还不能完全替代 r a g。 如果你也存了很多资料,却一直没有真正用起来,可以先收藏这期,等你开始搭自己的知识库时,直接按这套流程检查,会比只记住几个工具名字有用得多。 这几个问题里,先把最容易混淆的一点说清楚, l l m wiki 和 reg 到底差在哪?传统 r a g 的 动作通常是你先提一个问题,系统再从原始资料里找出相关片段,最后让大模型根据这些片段生成答案。 他查的快,特别适合资料量很大、内容经常变化,或者你只想确认一个具体事实的场景,可问题也在这里。这次检测出来的关系、矛盾和总结,往往不会变成一份长期维护的知识。 下次换个问题,系统还得重新找、重新拼,那如果不想每次都重新拼,办法就是把整理资料的时间往前挪,别等到提问时才临时处理。而这正是 lm wiki 在 做的事。 新资料一进来,智能体就会先读原文,再提取人物、公司概念和关键结论,把它们写成互相链接的 markdown 页面。如果新资料推翻了旧说法,它还要修改原来的概念页,标出冲突并更新缩影。 也就是说, r a g 偏向问的时候再找 l r m v k 偏向资料,进来时先整理。那这套知识库具体怎么搭呢? 先别急着按照三个工具来分层,真正落地时,底层知识库要先准备三部分,也就是原始资料、 ai 维护的 wiki 以及约束智能体的规则文件。 先看原始资料,你可以在 obsidian 的 库里建一个 inbox, 用来临时收集内容。再建一个 sources, 专门保存 pdf、 word 文档、 excel 表格、网页书摘和会议记录。 这里的原始文件尽量保持不动,因为后面一旦总结有问题,你还得回到这些资料里核对出处。原始资料准备好以后,再建立 ai 维护的 wiki。 刚开始不用建的太复杂,可以先用 concepts 保存概念和方法,用 entities 记录人物、公司和产品。如果你还想管理正在推进的事情,再增加 projects。 如果想保存经过核对的总结、对比和文章成果,就把它们放进 synthesis。 最后再准备一个 index data md 作为总导航,用 log data md 记录每次导入和修改, 可光有目录还不够,因为智能体并不知道什么内容该建新页面,什么内容应该更新旧页面,所以还要有第三层,也就是规则文件 用 codex 时可以写进呃阵子 md 里面规定页面类型、命名方式、引用格式、交叉链接规则以及导入、查询和检查知识库时分别要做什么。 这份规则文件很关键,因为它决定了智能体是在认真维护 wiki, 还是只批量生成一堆看起来很像笔记的 markdown 文件。 目录和规则文件都准备好以后,日常流程才能真正跑起来。比如你把一份行业报告放进 sources 智能体会,先读取原文并生成来源摘要,接着判断报告里出现了哪些已有概念和实体。 碰到一有页面他就补充新证据,碰到新概念他再创建页面。如果两份报告的说法发生冲突,智能体不能偷偷替你选一个答案,而是要把双方的观点、日期和来源都保留下来。 等 index 到 md 和 log 到 md 也更新完成以后,这次导入才算真正结束。资料整理完以后, obsidian 负责让你查看和校验这些结果。 你可以顺着双向链接来回阅读,也可以打开图谱看哪些页面成了核心节点,哪些页面孤零零的没有连接。不过图谱本身不会自动产生知识,它只是把智能体已经写进 markdown 的 链接显示出来,所以真正重要的仍然是链接准不准引用,能不能回到原文。 知识库整理好以后, chat gpt 才开始承担应用层的工作。你可以把相关的 wiki 页面上传到 chat gpt 项目里,也可以通过他支持的应用连接资料,再让他基于这套知识写文章、做方案、复盘项目或者辅助决策。 经过你核对以后有价值的分析,还能回写到 synthesis, 这样整个流程就从输入和理解走向创造,再继续回到沉淀和更新。 这里要提醒一句, obsidian 和 chat gpt 并不会因为装在同一台电脑上就自动联通,你仍然需要上传文件、配置连接,或者让智能体直接在本地 wiki 里完成查询。如果没有这一步,所谓的完整工作流就只是一张好看的流程图。 那把 obsidian 和 chat gpt 之间这条通路补上以后,知识才能在整理、调用和回写之间形成闭环。 这个闭环最有价值的地方就是一次聊天里产生的结果,不会只留在那次对话里。你今天问出来的一份竞品对比,可以在核对以后写回 wiki, 等下周再加入一份财报时,智能体还能根据新资料继续更新这份对比。 不过知识开始积累以后,错误也会跟着积累。如果 ai 第一次就把概念写错了,后面的页面可能会继续引用这个错误,所以每个重要结论都要保留来源。新页面最好先审再入库。 人虽然不用再手动整理所有链接,却仍然要负责判断资料靠不靠谱,总结有没有歪。既然人工检查不能省维护成本,也不会凭空消失。 导入一份资料时,智能体可能要读取全书,修改十几个页面还要检查链接和冲突。资料越多,花掉的时时间和 token 就 越高。 等知识库继续变大,导航方式也得跟着变化。几百个页面可以先靠 index、 md 和权威搜索,可页面再多下去,还是可能需要关键词搜索、向量检测,甚至让 r e g 回来负责缩小范围。 更合理的做法不是在 r a g 和 l m wiki 之间二选一,而是让 r a g 负责从大海里捞出后选资料,让 wiki 负责把真正重要的知识长期沉淀下来。 另外, obsidian 的 文件虽然保存在本地,可只要你把内容交给云端模型处理,数据就已经离开了本机。公司资料、客户信息和个人隐私能不能上传,要先看权限和合规要求,不能把本地 markdown 直接等同于全程本地运行。 前面讲的错误、成本、规模和隐私,并不是劝你放弃这套方法,而是在提醒你,刚开始别把系统铺的太大。 真正动手时,先别把硬盘里几千份文件一次性全塞进去。可以先选一个边界清楚的主题,放十到二十份高质量资料,再建好原始资料、概念、实体总结、溯源和日制这几个区域,接着写好规则文件,完整跑几轮,导入、查询和检查, 等你确认引用可靠、页面结构稳定以后再慢慢扩大。等这套小系统真正跑顺以后,你再回头看就会发现 obsidian、 lm wiki 和 chat gpt 只是分工不同的工具,真正发生变化的其实是知识的处理方式。 以前的资料放进仓库以后就等着你去搜索,现在每加入一份新内容,智能体都会重新检查旧页面,让已有的总结和关系继续更新。所以刚开始不用追求资料多,也不用急着把目录设计的特别复杂, 先让十几份真正重要的资料顺利走完,收集、整理、调用和回写这条链路,只要这套循环能够稳定跑起来,你的知识库才算真的开始成长。如果你还想继续了解个人知识库和智能体工作流,可以关注我, 以后再出现新的方法和工具,我会继续把他们的实际用法和适用场景讲清楚,帮你判断是不是真的值得折腾。 最后也想问问你,现在的你更需要一个能快速回答问题的资料库,还是一套愿意长期维护,会随着你一起成长的个人 wiki 呢?欢迎把你的选择留在评论区,感谢你看到这里,我们下期见!

前两天刷到江湖叔的视频,他讲 l l m v k, 说这东西很重要,是 ai 时代知识管理的未来。我听懂了,所以我花了整整一周把它做出来了。免 费的 abc 插件 get 不 开源,今天全部告诉你。你先回想一下,你每天怎么用 check, 遇到问题,打开 check, gpt 问答关掉。第二天,同样的问题又来了,又打开,又问又答又关掉,你的知识一次都没留下。在看你的 abc, 记了一年笔记几百条,但每条笔记之间谁都不认识谁想一堆散落在地上的纸片,你知道你记过,但就是找不到,找 老到了也不知道跟什么有关。 ai 给你的答案越来越聪明,但你自己的知识体系越来越像废墟。大胡子说了一句话,特别对,不是 ai 帮你记,而是 ai 帮你整理问题式 怎么做。答案就是 l l m v k, 准确说是把 l m 和 v k 结合起来。什么意思?你平时写任何笔记, ai 不 替你写,但帮你分析这篇笔记讲了什么概念,提到了什么故障,跟你的历史笔记又没有关联。然后它自动生成一个 v k 页面,放进你的知识库, 同时用链接串起来,像是给每一篇笔记自动安了一根线,所有线连在一起,变成一张网。具体能做什么,我根据我的工作场景做了知识记录看板,看板融合了 k 神的理念。第一,一键摄入。 你在 up c d n 里写了一条故障记录,点一个按钮, ai 自动解析,提取关键信息,生成结构化 vik 页面,整个过程不用你管。第二,智能问答。你问一个问题, i 不 止给你答案,还会告诉你这个问题跟你上周期的制冷故障有关,跟你三个月前斜的空调检修标准也有关。你的知识终于不是用一次就没了的。第三,知识图谱输入一个概念,整张知识地图展开,你能看到哪些知识点是连在一起的, 哪些是你已经研究透的,哪些还是一片空白。你学过的所有东西,第一次变成了一张可见的地图。第四,人工审核。 ai 整理完的东西不会直接入库,他会标记出不确定的地方,你来审,你负责判断,这才是正确的人机写作。大胡子说, ai 加知识库是未来我想说的事。 未来已经到了,只不过需要有人把它做出来,我做出来了,给可开源免费,你现在就能用。如果你想搭建自己的 ai 知识库,一定先收藏,以 后装 abc 的 时候回来照着做。如果你也觉得 ai 不是 用来替代思考的,是用来帮我们把思考变成资产的。点个赞,顺便让更多人看到这个开源项目。最后一个问题,你觉得你的笔记最大的问题是什么?是记不住?是找不到?还是压根就不会整理?评论区告诉我。

去吃的那个东西特别好吃。怎么寄圆周率?寄那些没用的东西干什么?没必要我把嘴。下一次你去, 王老师你的钱掉了。好,我跟你说啊。呃,小朋友记圆周率啊,是非常有必要的,他能够训练小朋友的专注力和记忆力。什么叫有用?跑步有用吗?举哑铃有用吗?也是为了锻炼身体对不对? 那么几圆周率就是为了锻炼大脑来记忆。山巅疑似一壶酒和肉。我想我爸就吃酒。想啊想,宝石揉啊揉,死神身霸占耳机 叫我拎两把宝石椅叫气一捞就散。舅舅想进屋咬你。记圆周率会帮助孩子建立自信,提升对数字的敏感,一定要尝试。

只需三步,教会你像这样子的智能智适应生长知识库!最近一直在思考一个问题,如何能净化自己的专属个人知识库?每天收藏一大堆笔记,越记越多,文件夹密密麻麻的,感觉自己特别专业。可是到了最后写方案的时候,翻遍所有笔记, 啥也用不到,啥也想不起来。就和我的抖音收藏夹一样,每天收藏了一大堆东西,但是自己真正会去看的又有多少?其实说好听点,这不是给自己弄了一个高级的电子垃圾桶吗?有什么用呢? 突然一瞬间,一束灵光浮出我的脑海,我能不能做一套可以自动蒸馏,自动抓取关键数据的,属于自己的专属知识库方案? 于是我费了两千多万刨坑,终于做出了这套可自适应生长的智能知识库体系。现在就迫不及待录这个视频,想第一时间分享给你们。今天不搞复杂的教程,不用会写代码,不用会写专业体式词, 零基础小白也能学会长视频制作不易,喜欢的朋友点个赞,收藏一下,做好我们的小板凳,现在开始发车了,首先需要安装这两款软件,网上有很多的教程了,我就 不在这里展开讲了,如果安装搞不定的朋友评论区留言,懂的都懂。安装完成后,在你本地新建一个文件夹,命名为个人知识库,并拖入智能体项目目录,打好你属于自己的个人专属知识库。底座重点来了,接下来将这张照片发给自己的智能体, 他会自动按照内容价值、新鲜度、关联程度帮你归整分类文件夹,直接生成八大完整板块的内容,包含原始资料、知识卡片、选题研究、输出成果、复牌叠带、技能包、 附件库等。从此以后,不管你刷到任何的干货、文章灵感,只需要丢给你的 ai 智能体,发给他这样一句话,帮我归党进个人知识库,他就会自动归类、精准投放,再也不用去纠结每个文件夹应该放到哪里了。最后再将这两张指令图发给你的 ai 智能体, ai 会深度剖解你所有资料,提炼成可直接附有的观点、落地方案、真实案例,还能让你所有的知识互相打通,相互连接。同时也设定了固定的标准,怎么整理材料、怎么引用知识, 怎么落地输出。最关键的是,他可以做到每周巡检知识库。简单来说,他会清理过期的内容,修复失效的链接,验证方法的有效期, 会自动迭代更新整个知识点,最后形成完美闭环。从原始的资料录入, ai 深度分析沉淀个人技能、落地输出成果,再到最后回流再生,形成真正能自适应迭代加自主生长的专属个人知识 库。就拿我自己举例,我每天主攻的方向是学习 ai 知识,研究 agent 写口播文稿,记录踩坑经验,梳理学习的路线。 以前将这些内容全部堆积在自己的收藏夹和笔记里,每次做内容、搞创作、解决问题都要从头翻找,浪费我大部分时间。现在完全不一样,这套专属的知识库体系,会牢牢记住我的学习路线、 创作风格、做事逻辑。我写完的每一篇稿子,他会自动沉淀有效方法,规避上一次的失败问题,将每一次的输出变成上一次结果的升级迭代,这就是他和普通的 ai 最大的区别。 普通的 ai 每次打开新对话框都是空白的,需要你重新认识自适应生长知识库,他会全程记录你的经验、 记忆、判断的标准和养生习惯,将存进去的冰冷资料变成能解决问题的核心能力。最后送给大家一句话,真正的知识不是萌萌的存集,而是 不断的沉淀和循环的生长。想要我这套完整配置图的朋友,评论区打一个生长我会统一分享。我仍然是正在学习 ag 的 阿凡,咱们下期见!

如何通过对方的手机号来找到他的抖音号呢?如果你在放大镜搜是搜不到的,那接下来我来教你一个小技巧,一下就能找到你通讯录里所有好友的抖音号,并且能看到他的作品。接下来我来给你上实操,怕记不住的建议先关注我,点赞收藏起来慢慢看。 首先要把对方的电话号添加到手机通讯录里,抖音首页添加好友,点击通讯录,这里面就是你所有通讯录好友的抖音号,想看谁的作品就点开他的头像,这里还可以添加他的好友,你学会了吗?

今天是什么喵?大家好,我是阿喵。这里是一个致力于让大家入门各种知识技能时能少走弯路的频道。大家好久不见,我带着满满的如何利用哎呀家 sydney 打造知识库的干货教程来了! 以前的视频我主要是教大家如何将各种 ai 应用接入知识库,而这个视频开始,我会教大家如何结合 ai 构建一个智能的知识库系统。话不多说,我们开始吧! 传统知识库痛点大家可以回想一下我们使用传统知识库的时候都遇到了哪些问题?痛点一,只收藏不整理 你是不是好像有仓鼠囤积皮一样,喜欢收藏各种各样新鲜资讯、行业动向、前沿报告之类的,但是收集一时爽,整理火葬场各种保存下来的内容,一旦堆积过多,你就再也没有心力维护了,最后知识库彻底沦为了吃亏收藏夹。 痛点二,收藏了但是找不到即使你坚持好好维护知识库,每篇内容认真分类归档到不同文件夹,也打好了各种标签。 但是你还是会发现,真正想要找某个文档的时候,却怎么也想不起来放哪里了,关键词是啥,最后还是没办法,只能又去网上现场搜。但是这样你前期收藏整理知识库的时间和精力就相当于白费了。 痛点三,信息孤岛虽然我们已经有了像 excel 这样具备双链功能的知识库工具, 但是笔记与笔记之间的联系还是需要我们人工去识别维护,费时费力不说,一旦笔记数量增多,崩盘是必然的后果。信息孤岛其实是知识库最大的隐性损耗,虽然你看不见它的存在,但它却一直在偷你的时间。 比如上个月你收藏了一篇提示词写作技巧的文章,半年前你还收藏了一篇逻辑学入门的文章 题诗词写作技巧,你归入了 ai 学习相关的分类,而逻辑学入门,你可能分类到了基础学科分类。但是我们不知道的是,很多题诗词技巧的底层就是逻辑学,比如结构化提问、 限定条件、排除歧义等。它们不是两个知识领域,而是同一棵知识树的两个分支。但你用文件夹把它们劈开了。你的收藏夹里可能藏着一千篇好文章,但它们之间的关联是断裂的。 b 文章的知识盒 b 文章的方法本来可以互相补充,但它们被分在不同的文件夹里,用了不同的关键词写在不同的时间。然而,你永远不会意识到,它们是可以相互结合的。 ai 知识库的优点现在有了 ai, 上面的很多问题都有了更好的解法。 只收藏不整理, ai 可以 帮你一键整理归到收藏了找不到。 ai 不 仅基于关键词帮你搜索, 还会基于语义理解去解锁你的整个知识库,把与你想找问题相关度最高的内容都罗列出来给你看。信息孤岛掌握了正确的 ai 知识库构建方法, ai 会帮你梳理知识脉路, 自动创建双链联系,将你的知识库构建成一个强有力的知识网络。记住,传统知识库只是信息的仓库,而 ai 知识库是知识的网络仓库只会越堆越乱,而网络却会越连越强。 好了,说了这么多,大家可能会觉得我也知道 ai 知识库好呀,但是你说这么多,我还是不知道应该怎么做呀?别担心,阿喵出品必定是包教包会的纯小白教程。下面我就来告诉大家如何一步一步打造一个适合自己的 ai 知识库。 如何打造 ai 知识库?前段时间爆火的硅谷 ai 大 佬卡帕西提出的 omt 方式构建个人知识库,确实是目前 ai 知识库的新范式和主流思想。 网上也有很多人教大家怎么一键将知识库变成 omt 的 模式,然后就如何如何好用,如何如何强大。 但是我认为这个方法有一定的局限性,也不是适合所有类型知识库的改造。所以我会根据不同的知识库类型,把使用知识库的步骤拆开,告诉你如何把 ai 融入其中,从而提高我们知识库的管理效率。 首先,我认为管理一个知识库一般会有以下五个步骤,收集、整理、解锁、连接、维护。你可以自由的选择在哪个步骤中使用 ai, 而在哪个步骤中还是保持人工。毕竟知识库是非常私人的东西,每个人的构建逻辑也都不同。 我打算用两个我正在使用的知识库例子来具体解释 ai 知识库的构建逻辑。一个是网络收藏家知识库, ai 主要融入的是前三个步骤,而另一个是投资手册知识库采用的就是 o o m v t 的 构建逻辑, ai 主要融入的是后两个步骤。 ok, 今天这一个视频肯定讲不完,所以我打算每个例子单独一期视频具体介绍,想看我是如何利用 ai 改造知识库的小伙伴们记得点关注不迷路哦! 下期我们先来介绍网络收藏夹知识库的改造方法,那这个视频就到这里喽,下期视频我们很快再见!

今天我用六步带大家搞定你的个人专属知识库 obsidian 基础设置到个人总库搭建的完整流程,你可以参考我的方法,直接建立,不再踩坑。 视频有些长,不过内容干货满满,步骤详细,建议先点赞再收藏。后续搭建你的知识库时呢,可以反复对照观看,有需要安装包和详细配置文档的可以直接找我领取。上一期视频咱们讲了知识库建立的整体框架, 这一条,咱们继续往下拆下载。安装好 obsidian 之后,基础设置和总部到底怎么做?总共分六步。第一步,安装进入沉浸触视状态。安装完成后呢,不要急着创建大量的笔记,也不要马上堆内容,先让软件保持一个 干净稳定的运行状态。如果你是第一次使用的,优先本地使用,不要一上来就开始开同步开各种附加功能,先把基础环境跑顺,再往上叠加。第二步,基础设置 语言编辑器、文件规则界面。这个阶段不用追求复杂,只处理影响后续使用的四项一切换语言,保证所有设置项都能看懂。 第二,优化编辑器,把实时预览、自动换行、行号显示、内部链接自动补全,这些基础功能先开好。第三,统一文件规则,把笔记保存位置、链接规则、附件、文件夹先定下来。第四,精简界面, 把欢迎页、多余提示、不常用的面板的直接关掉,只保留文件区、编辑区和 搜索区。第三步,先别装插件,先稳再扩,不要着急研究各种插件和美化,这是很多人最容易走偏的地方。 软件安装好后呢,基础操作还没熟,就开始折腾插件呀,主题样式,但在总库大件阶段,这些都不是第一优先级。 现在最重要的是先搭出一个稳定清晰,能正常使用的基础环境。第四步,正式建总库,建立你的个人总库,就是你所有资料最终统一沉淀的地方。手机备忘录、电脑文件、飞书、微信等等,所有的文档截图、素材后面都要回到这里。 这三步要定三件事,大家好好听。第一,固定存储位置,不要放系统盘。第二,只保留一个主库,不要拆分成多个散库。第三,名称和路径呢,尽量一次定好, 不要频繁更改。第五步,定归属原则,定资料统一归属原则。总库最重要的不是你建立了多少个文件夹,而是你先把一个问题记清楚以后所有资料最后回到哪里。 分类只是摆放方式,总库决定的是最终归属,如果归属设定后面,分类再细也没有用。第六步,持续优化, 持续优化总库和归属规则定好以后,再去做分类的目录、锁影笔记、快捷入口、自动化规档顺序,千万不要反总库不稳,后面所有整理动作会变成无效堆积。最后给大家总结一下, 一、先稳基础,二、再建总库。三、分类和优化。 所以 obsidian 你 的个人专属知识库,真正的核心呢,不是花哨,而是统一稳定,长期可用,让你的每一份资料都有固定归宿, 为后期长期沉淀,高效赋用打好基础。关注我,让你的个人经验和知识变成反复调用的系统化结构。

这一个多星期没有任何的干扰,我做了一件非常非常重要的事,来,我给你看一下到底是个什么事好不好?我终于开始建立自己的知识库了,就相当于是我风帅的一个外挂大脑啊, 我正在把我这么多年以来可以说是十几年所有精最精髓部分的关于我的资料啊,图文资料, 包括我的各种课纲,我的公众号文章啊,我的我解读的那么多的书的书稿,然后我的各种京剧集, 我各种开会的文档用的表单,我的会议记录,然后包括我跟我各种客户和地址,我给他们做咨询的那些案例啊,我是怎么给他们诊断的, 然后包括我这五六年做短视频以来,有些视频是有这个文稿的,有些是因为数据不错后来输出文稿的这口播文稿,然后包括我二十多年的日记 啊,其中有,呃,相当一部分已经整理过的,然后包括我收藏的各种资料,还有我写的书稿,无论是过去写的还是这几年写的书稿,然后我在各个社群里面跟学员呐,跟弟子啊,各种整理出来的,我与他们的 群里面的对话,全部光输入给这个盘盘啊,这是我的大脑的名字,外挂大脑的名字,这个盘盘,这个名字也是他自己给自己起的啊,说你叫风帅啊,这个风跟我磐石 相对应,我就叫盘盘吧,还行,挺好啊。然后呢,我输入给他各种资料啊,输入给他之后呢,相当于就是他要重新把我这些资料消化了之后,提取我的大脑的网络结构。 嗯,这些资料基本上可以代表我十几二十年以来我的思维方式,我做了哪些事,我能做哪些事?那假如我要写一篇东西的话,我应该是从什么点去思考的啊?等等等等。你比如说哈,我这正在给他传我的日记呢,日记好多,他收到第二批日记十份,这十份相当于就十几万字啊, 然后覆盖了多少年多少年的日记全部他解析完了,他很快就解析完了,他说,这些日记让我对你的了解非常立体了,你的日常节奏,读书习惯、买古籍的玩物、丧志、跟弟子的互动,家庭关系,赚钱的焦虑和成就感,信仰, 以后啊,这些以后写内容时都会用的上。他说继续发,我收着,就你看的啊,就看这么一条,你就发现他是就是你把这些东西喂养给他了之后他就相当于是慢慢知道你是谁了,那这个时候他就给你出可以出各种选择题了,然后再结合现在网络的这种大数据,是吧? 那么假如说你要写一篇内容的话,那他就会以你的思维,以你的风格啊,来出选择题,来 写东西啊,还能干嘛呢?还能出图啊,还能帮你做课稿,甚至有可能啊,我觉得甚至有可能还能取代我一部分的咨询的工作, 那这样子的话我觉得我就可以把自己腾出更多精力来去做更加高度的事了,对吧?所以我觉得这件事情我终于快做完了,哎呀,我很期待。嗯,知识铺的建立挺重要的,那等我把这个盘熟了之后呢,我看看我能不能告诉大家。我来。 嗯,指导大家来做自己的知识库啊,因为为什么要指导呢?不是所有人都像我风帅一样把那么多年的各种有用的资料全部保存下来的。 这个其实挺难的啊,挺难的,也可能也没有那么多的案例啊,我是二十多年来各个岗位上我各种资料都会有,那这件事真的还蛮重要的哈,我觉得这个时代已经不可逆了啊,不要再觉得自己的大脑是很厉害,但是呢,我们的精力是很有限的, 我们在这样的一个就是海量信息的时代,我们更重要的是要把自己大脑里面海量的信息去给他 啊,做一个更好的利用。其实很多时候我们学习也好,我们听课也好,我们干嘛也好,就是很多时候我们感觉好像学习了,其实并没有学习,比如说读一本书,你划了很多线是吧?然后你看到一篇东西你收藏起来,这对你来说是没有用的,为啥呢?你不会去看他的 啊,甚至我风帅读了那么多的书,对吧?你说我要用的时候立马能够从脑大大脑里面调出来吗?不可能,对吧?不可能。所以说我觉得这一件事在 ai 时代下真的是很有意义,我觉得每一个人 啊,就是你看我这两这个头发都白了,我都在干这个事。我觉得各位如果你是二十多岁,三十多岁啊,甚至这个,呃,十来岁都要干这个事啊,好好的把自己的这个大脑储存起来,复制出来啊,然后变成另外一个自己啊,这件事 一定会对我们的生活,对我们的事业产生非常大的动力,我们一起加油。

hello, 大家好,我们继续讲 ai 时代必须掌握的一个知识点就是 rug 增强、解锁生成,这也是目前我们在 ai 的 一个最成熟的一个产品化的一个应用场景。下面呢我会讲具体怎么用它是过程是怎样的,我们注意的应该注意什么? 首先看一个情况,就是如果说没有 rap 的 话,呃,用户在问问题的时候啊,大家看左边这个用户在问问题的时候,我们公司去年 q 四营收是多少?他这个时候呢, ai 会一般 说特别模糊,因为他不知道你们公司到底营收是多少,但如果有了 rap, 就是 就是右边这个这种情况, 我们问他 excel 的 时候,他就能基于我们的知识库提供给他的内容来去回答,准确地回复给你一个这个信息,这就是 rap, 就是 他把企业知识库为给让他基于事实来回答,这是 rap 的 本质。 那么它的工作流程呢?其实就是两步,第一步就是解锁,第二步就是生成,你就说解锁增强生成这样过程。右边呢有一个这样一个流程图,大家可以看一下。就首先是用户提问,用户提问之后呢 这个程序呢会把这个提问的自然语言转化成一个向量啊,就是向量的话就会有很多这种数字,比如说零点一、二,负的、负的几点几等等等一一长串的这样一个向量化的一个东西。然后呢这个向量化的东西,然后再去检测我们的知识库,就是我们的 喂给他的东西,然后去找最相似的这种内容块来去检测出来之后呢这个大语言模型再根据用户的问题和检测出来的文档, 它去生成这样一些这个内容,然后最后再去回答出来,回答给用户,就是基于事实和引用来去回答用户,这就是它整个的一个过程和原理。 那么企业之库是如何喂给这个 ai 的 呢?它的过程是怎样的呢?就是首先我们会有很多这种文档啊, pdf, word 等等吧各种文档,然后呢这种文档呢会喂给程序,之后呢,这个程序呢会进行一个切块儿,就是它 就跟我们去炒菜一样,切成一段一段的,就是内容的块,一个块的话可能会有就是五百到一千个 top, 这个我们可以自定义,并且每一个块跟块之间呢,它会有一些重叠的部分,就是熔余的部分,来去让这个程序去识别熔余的部分, 连接这个块一块的这些内容,这就是文档。切块切块完之后呢,会把这个切块的内容给它向量化,就是会有很多这种高维的这种数值啊,就是 这个里边的有很多这种几点几,逗号几点几的逗号,高维的这种向量存储到这个向量这种数据库空间,也叫这个 implicit 模型, implicit 模型就是专门干这个事了,就是把切的块向量的这种向量空间来去表示, 当然这种隐隐不定模型的话就是会比较多,像谦问啊等等啊,谷歌啊等等其他一些模型都是支持隐隐不定这种模型的。 然后存储哪些限量数据库呢?像这种主流的这种限量库数据库,像这种 menus 啊, durant 啊, chrome, chrome 啊这种,就是有这种开源的,也有就是呃云通啊等等各种不同的这种方案。 这里呢也做了一个 demo, 让大家看一下啊,这个就是这个存储的原理是怎样的?是怎样的? 大家看到呢?这是一个存储眼里的一个图示,然后左边呢我会给大家添加一些这个内容,比如说我添加一些这个呃这样的一个 退货政策啊,左边蓝色的这个退货政策啊,右边这是一些就是产品的这个产品的信息,为这个绿色的这是产品信息,我再给他添加一些这个物流配送的信息,下边这个黄色的这就是 这个几个信息。当我们用户去搜索一个问题的时候呢,他会计算,比如说我这里算这个退货的啊,这个时候呢他就会去 找退货的这些相关的流程啊,他去连接到这些点,然后呢去做这个最相近的这样一个解锁,解锁出来之后呢会把这个问题回复给我们的用户啊,右边这些文档呢,他也是这样的道理,他也会走解锁相关的这个这个东西啊 去回复给用户。然后右边的话就是其实就是向量存储,他在存储的时候他存储的是什么东西,就说他有一个 id 啊,然后呢也有这个就是文档的这个块,这个文件,然后还有就是一串这个向量高维向量啊,就是 啊几几点几接着几,动画接着几,这样有一个一个一个数组吧,这样一个数啊,然后呢后边又是这个啊,就是文具体的文档一定要地址是哪里啊?他是这样的存储的一个过程, 生成完之后呢,它会再有不同的这种计算方式,那怎么去计算它相邻呢?就是它有不同的计算方式,有这种最相邻的什么域相、相四度啊等等这样这些计算的方式,这是它的一个原理。那我们再回来 下面呢就是第一个过程,就是解锁实时发生的,就是当用户问我要退货流程是什么的时候呢?这个时候我们的向量模型呢?就是这个 implicit 模型,会把这句话这个语义转化成就是这种高维的这种向量,就有很多这种数值逗号,逗逗逗号得得这样东西 进到我们的向量空间里边去搜索啊,比如说我去搜索最相近的 a、 b、 c 三个文档,它们的每一个相似度是多少?然后呢会列出来这个减速结果啊,最相关的是哪个?然后对四相关是哪些,它会列出来,列出来之后呢把这过程再去整理出来,再去回答用户, 这是这样的一个啊,解锁这个环节发生的事情。第二个环节是这个生成,就是因为它生成的话,它根据什么来去生成啊?就我们需要去构建我们的提示词,提示词的话怎么写?首先是系统提示词,就是你是一个什么样的客服助手,决策定位是什么?任务是什么? 参考的信息是什么?这个参考信息的话就是我们的这个知识库啊,就是向量化的数据库里边这种知识库啊文档,然后用户的问题是什么以及回答的要求,这是我们的一些题词的设定,它会根据我们的题词的设定以及解锁出来的内容, 还有用户的问题,然后生成一个就是标准化的这样一个回复,下面的话就是呃用户的一些呃给用户展示的一些应用来源参考的文档相似度啊,就是可信的一种空间耗时啊等等这些一个展示, 下边儿一个环节是什么呢?就是呃给大家讲,就是为什么 rock 能比直接问更好呢?因为就是直接问的话是基于大模型它已有的支持,它没有训练过你们公司的提薪期,也不知道你们公司的一些情况, 这是直接问的一个效果,它泛泛而谈,没有针对性,但就是有有了 rock 增强之后呢,就是我们给他提供了真实的数据啊,然然后有这种就是真实的数据,基于这些数据大家去可以追溯啊, 这样一个最新的数据时效性更强的,这样的数据就解决了这个泛泛而谈的问题,这是 rock 为什么比直接问更好的原因。 然后 rock 的 话也有这种三种常见的这种就是啊架构吧。第一种就是说这种直接的,最常用的就是解锁的解锁生成就是一个知识库,然后呢在这个知识库里边去 固定的这种回答,基于这些知识库去进行回答。第二种就是 agent 这种方式, agent 呢,让 agent 来决定何时调用什么样的知识库,要用什么工具来去回答用户的问题,这就是 agent 这种模式。 第三种呢,就是这种混合模式,就是一有就是呃分支啊,比如说我们在通常简单问题的时候不用 agent 去判断了,因为 agent 判断的话也需要时间嘛。然后就是简单问题,我们就直接让它归类到这种,就是 这个直接的调用,如果说复杂的问题的话,我们让他再去判断,用让 a 点呢去自主决策解锁什么样的知库,他去进行一个回答, 那下面呢?有一个场景,就是截知库问答的一个场景,给大家举个例子,比如说我们在人事招聘的时候, 比如大型的公司的话,就是 hr 每天会回复很多这种重复的问题,那我们可以用 rock 的 方案解决,怎么解决呢?就是我们可以把我们的员工手册,报销制度啊等等这种常见的这种手册 pdf, word, 然后全都放到这个 rock 里边。 然后呢我们再去提供给我们的内部员工去使用,比如说,呃,内部员工呢,去问的时候呢,就可以基于这些已有的这种知识库方案来去进行回答,这样的话给大家展示这个应用来源就会更清楚。也给大家准备了一个 demo, 我 们看一下 啊,这个截屏有点小啊,大家要知道左边这个是一个文档,右边的话是出实时的处理流程啊,中间的话就是我们可以 看到这个展示的过程,比如说我问您家有多少,这个时候呢,他就会去转化问题向量,然后检测完成,找到一篇相关的手册,然后呢再去有生成回复,然后右边呢就是这个实时的一个处理的流程啊,就是用户提问,然后向量化这个检测 大学生城,然后返回答案应用的向 still 投屏,向后耗时等等这样的一个展示,这样的话就是呃更为可信,然后用户体验会更好啊,比如说再继续问 bug 差异是怎样的啊?他还会继续解锁 vpn 怎么连接?这是内部的接入库运维啊,他也可以用,包括加班怎么算、 怎么申请新的电脑这些的话,都是可以通过这种方式来去实现啊。 我们在后边展示第二场景,就是客服的场景,就是对外的这种客服,比如说我们电商的这种售后啊,或者是其他的一些场景啊,售后退货啊,订单政策等导利是对话,这些都是可以通过这种 rap 的 方式来去实现的 啊,它就是这种医疗类的这种场景,那也可以就是啊去做一个辅助的这样的一个分析啊。 那 rung 它的核心挑战是什么呢?就是第一个就是幻觉问题,就是,呃,比如说我们在呃 呃这个支库比较多的时候啊,那可能会产生这种幻觉,检测不准的时候,那我们就需要去做一些这种分类啊,这样的简化就是一个问题的时候,一个支库我们不要放太多内容,放太多内容的话它可能会就是超出这个限度, 就是避免这种就是检测不准的情况。第二就是这种检测的质量啊,质量的话就是也取决于我们切块的,就是我们是 用什么样的策略去切分这个切块呢?因为它有个过程是切块嘛,切块之后才会进行向量,所以说我们切块切分策略切的不好的话,那像这个检测效果也不太好,包括我们用的这种向量化的这种模型啊,也跟它有很大的关系。 再就是这种上下文创作的限制啊,我们再去解锁出来十个相关文档或者二十个相关文档的时候,我们如何去重新排序?稍后给大家展示出来最相关的这种文案。比如说我们搞一个活动的时候, 那你原来的时候有一百个文档,现在你想主推一个活动啊,那可能用户会问最近有什么活动啊?这时候你是不是需要把最新的活动的这种权重的排名给它靠前,从而呢实现我们的业务目标。 第四就是数据延迟,它也可能会有这种数据的这种延迟,因为它解锁内容比较多的时候可能会有一些延迟,所以说我们就需要给它提供一些可量化的一些进度,让用户实时的掌握,有一种掌控感。 那下面就是我们在评估 rap 的 时候这种,嗯,如果评估 rap 的 效果就是有四个方面,第一就是正确性,它的回答跟标准答案是不是相关啊?第二就是相关性啊,就是 回答的问题是不是切题啊?第四,第三个就是事实啊,它是不是基于事实来回答的啊?就是以及我们的解锁质量啊,是不是?呃,效果更好? 那下边就是每一个维度的一个评分的一个标准啊,大家可以去做一个参考啊,是事实相关性啊,事实性等等这样一个标准可以参考, 如何是持续的监控这种 run 的 质量啊,就是我们可以建立真实的这种用户的这种测试级,看它。呃,这个标准答案以及就是我们 每一版的题词啊,都有一定的相关性,以及我们就是回答的幻觉率啊,一共满意度啊,转人工的这种率啊,来去综合的评估以及我们的版本啊,可以通过 a p test, a p 测试这种方式来去进行一个管理, 下面是若干产品设计的五大原则,就是第一个透明度,让用户知道 ai 是 基于什么问题来去回答这个问题啊?比如说它参考哪些文档,它的来源是什么啊?相关度有多高,以及我们的间接式批漏,就是呃它的过程是怎样的,让用户有一个 可控感啊?就是以及就是执行度百分之多少的这个呃可靠度去应用的来源展示, ui 降级,当这个 rug 解锁不到的时候,我们应该有一些逗比的政策,比如说转给人工或者是其他的一些措施去解决这样的一个问题。 这是我们 kim jimmy 关注的一些 ui 的 细节,其实跟上边这个差不多啊。 然后这里边也有一些这个坑和这个需要避免的问题,就比如说我们过度依赖单一的这个 image 模型,有的模型呢,它是只是适合这个项链化,就是切块这种就是文纯文本,它不能就是切块这种图片类的,那这个需要知道,就是,哎,你这个是纯文本还是图片的啊? 还是说混合的都可以啊?再就是这个知识库也需要维护,比如说你这个知识库随时更新之后呢,它也可以重新再切块,重新带西兰花,这样的话就保证你这个知识库的实时性,不是说伸进去之后就不管了啊, 然后当时但是也不要不能完全依赖这种 rug, rug 它也有,就是这个解决不好的情况,它也取决于就是你的输出和输出,你放进去的东西是好的,那就是进去的出来东西也是好的。 其实还有就是安全问题啊,就是一些权限啊,这方面也需要做好这个分类。 那做一个小节就是这么几点吧。第一个就是在 rug 呢,其实就是给 ai 配上了一个知识库,让它就是开卷考试啊,基于这个 以有的试卷来去作答啊。第二就是它的流程,就是其实就是解锁分享生成这样的过程,以及我们的幻觉怎么去呃,控制等等。那就是下边一些实际的产品设计和 ui 交互的时候如何去设计? 呃,好了,那本讲呢,就给大家分享到这里。

刚刚我刷到一个知识博主,他劝我们不要盲目跟风去做什么知识库,我非常不同意他的观点,到底什么是知识库?他好像也没有讲明白。 知识库不是说我们要收藏很多的东西在一个仓库里面存着,而是我们自己长出来的那些经验和洞见。这么说吧,知识库他不是一个收藏的仓库,他是一个人力工厂, 他不能解决你乘零一到乘零到一的问题,但是他能够帮你解决乘一到一百的问题。也就是说你得先要有那个一,如果你能够赚钱,那他能够加快你赚钱的步伐。如果你能够写一些东西,那他能够帮你沉淀知识体系, 但是如果你不会销售,你不会写东西,你也不会拍东西,那可能他没有你想象的这么智能,也就是很多人谈幼稚的问题。那为什么我得我要当头讲出来这个东西呢?是因为 大家总是容易去幻想能够有一个什么大招来解决所有的问题,然后一劳永逸, 我劝你迟早打消这个念头。很多人面对知识的时候,总是想着去收藏,收藏别人的视频,收藏别人的文案,收藏别人的文章啊,收藏别人的金句观点啊,甚至是鸡汤。你发现没有,收藏了这么久, 以往这样的经验对你有用吗?好像没有什么用,而且他还给你造成一种负担。哎,我已经努力了这么多年了,我看了这么多书了,我收藏了这么东西,为什么还是没用呢?啊?说明这条路他走不通啊, 他不仅让你的能力没有得到提升,而且还没有让你赚到钱。哈哈,那具体我们要怎么办呢? 进一个知识库的步骤到底是怎么样的呢?第一点,我们只存那些我们亲身经历过的解决的问题当中的经验和洞见。别人东西我们就不存了,以往存了这么多东西也没用啊,别人东西他只是给你带来的噪音。 第二点,那我们解决完这些问题之后,一定要写上证件卡,而且你写完之后你就不能够不管了哦,你要经常去翻一翻,看一看,看能不能再改进一下,有没有什么新的案例进来, 如果不看不翻的话,很多时候你还是会忘记的。第三点,我们遇到新的问题的时候,那就先去知识库里面看一看,看有没有我们以往解决过的问题, 那如果没有的话就更好啊。哎,我们又有新的素材了,然后我们再拿着这些我们的规则啊,原则的啊,一些经验,然后跟 ai 去碰撞, 让他去发现我们的问题所在,虽然他不一定完全正确,但是他总比我们从零开始要快上好几倍。 所以再回到最开始那个知识博主讲的,我们不要盲目去做知识库的问题,我觉得知识库他到底有没有用,只有见过的人才知道。

收藏了一堆好内容,转头全忘了,今天我们来打造自己的知识库,多种途径收集知识,看资料的时候顺手就能把知识收集了。上期我们已经学会 m i 知识库基础功能,这是 m i 的 第三期,让我们开始吧。 在做这期内容的时候, m i 更新了,所以在这补充一下这次变动的内容。 之前的历史按钮已经没有了,现在历史对话直接在左侧展示,而浏览器的功能分离了,在左侧单独的导航栏,我们点进去,在这里就像在浏览器中可以搜索,增加标签、书签,选择不同的搜索方式等。 个人知识库就是你的资料仓库,你可以把日常工作中用到的文档, ppt、 pdf, 或者把平时看到的优质文章链接保存进去。 我们先来创建一个知识库,比如读书,然后选择或上传一个封面,点击确定右键,这个知识库可以修改或删除。 点击旁边的上传按钮,可以看到我们能用不同的方式把文件添加到知识库,这个待会再详细说。首先先从本地上传一些书籍,这里可以看到上传的数据正在解析,等它解析成功就可以使用了。 比如时间觉醒这本书,我来问一下时间觉醒说的什么内容,举一些案例,他会从这些书籍里获取知识,整理后给出解答。 重点来喽,接下来我们来看看往 m i 加入知识这几种常见的方式。第一种,内置浏览器,点击左侧的浏览,在这里我们可以用百度作为搜索引擎, 这里可以输入网址或内容,比如我们搜新闻,找到自己需要的内容后,点击右上方的加入知识库按钮,选择需要保存的知识库即可。 第二种,外部浏览器,我们打开下载 m i 的 网站,翻到底部可以看到浏览器插件,我们点击下载,这个页面里介绍了如何在浏览器中安装 m i 插件,我们以 chrome 为例,打开右上方的三个点, 扩展程序管理扩展程序,点开开发者模式,我们把下载好的文件解压一下,解压后上传进来, 这样插件就安装成功了,我们来添加到知识库试试。点击右上方的插件,选择 m i 插件,扫码登录成功后 就可以看到我们添加的知识库列表了,选择一个添加即可。第三,腾讯文档从知识库中点击上传,选择腾讯文档,如果没有关联,先关联应用, 成功后点击预览腾讯文档里的内容,选择需要的文章,加入知识库即可。 第四,本地上传,电脑客户端中点击上传,可以选择本地文件和文件夹,手机端中也可以选择拍照图片、本地文件,而 m i 的 小程序端可以上传图片和拍照。 第五,微信文件电脑端中点击上传,选择微信文件,这里需要登录对应的微信账号,点击以后他会把微信 m i 的 小程序打开,这里展示了我们的聊天记录,选择其中一个有文件的聊天,把这个文件选中,添加到知识库中, 手机上也是一样,使用小程序也是和电脑端一样的操作,选择对应文件添加即可。 在 my 的 app 端中进入知识库,选择上传微信文件,它也是直接跳转到小程序。 第六,笔记,我们在笔记模块写的文章可以添加到对应知识库,也可在知识库中选择笔记,导入选中的笔记。 第七,移动端添加。我们用手机浏览器访问一个新闻的时候,点击分享更多里找到 m i, 点击会直接到 m i。 内置浏览器中,我们可以直接加入知识库, 还有在微信里看文档或图片也能点击更多, 选择 m i 或小程序直接打开可以选择对应的知识库,只要能在分享中找到 m i, 能吊起来 基本都能存入知识库。第八, mi skill。 可以 用 ai 助手调 mi 的 技能,用技能保存到知识库,比如用 workbody 来调用技能, 需要在 club 配置中做操作。这个我们后面再详细说其他。从其他知识库导入已有的内容, 手动填网页,链接录音技要音频直接保存 在发现中。订阅知识库,选择文档,添加到自己的知识库。 m i 不是 要求你专门花一大段时间去整理资料,而是在你日常看文章、收文件的过程中,顺手就可以把有价值的内容沉淀下来。 下期我们来看共享知识库团队和共同爱好的小集体来打造共同的知识空间。如果觉得有用,记得点赞收藏哦!关注我,普通人也能用好 ai!

我们如何快速的低成本的去构建我们的私有知识库?大家好,我是小周,今天给大家推荐一个开源项目叫做 rock flow, rock flow 呢是一个专业的知识库增强引擎,专业的这种解锁增强引擎,也就我们常说的这个知识库,因为我们用的这种大圆模型呢,通常是种通用模型, 而通用模型呢,那么针对某些专业领域的内容呢?他的回复呢,通常是不准确的,那怎么办呢?那么就需要我们从外部去找到一部分专业的内容,给到这个大元模型, 再由大元模型去组织语言,并且去补充相关的信息呢,给到我们一个相对准确或者更加准确的一个回复,那么呢知识库就是一个解决方案之一啊,因为我们绝大多数企业是没有能力去微调或者训练自己的模型,所以呢我们只能从应用层面去解决这个问题。 好,那么这个 rock flow 呢,我们可以看一下,在 github 上这个点赞数呢是八十四点五 k, 而我们自己在本地有部署这个项目啊,里面呢有涉及到这种知识库的维护啊,比如说我们自己去啊,创建知识库,那么在这里呢,我们可以去上传相应的文档啊, 点击这一个开始按钮呢,它会把我们的文档进行切片,送到像量数据库,那么我们去查找的时候啊,查找呢,可以通过搜索,那么呢在这里可以去新建查询,那么新建查询我们可以去询问,比如说 index 是 什么,那么呢它会 从文档里面去查找啊,比如说我们的聊天,聊天也是一样的,我们去新建聊天。好,新建聊天呢,在这里有设置,我们需要去选择这样的知识库啊,如果不选择知识库呢,他会查不到内容,比如说我们让他对比一下 index 和 get 好我们给的知识库,其实我们上传了一个文档,而事实上呢,我们只有一个文档,我们进行了这个处理,只有一个文档进行处理,那么呢他查询内容呢,就只会从这个文档里面来啊, 好,这里呢思考部分呢,其实就是从我们文档里面抠出来的一些东西。 好,这呢就是我们的支出里面的内容啊,是通过这个项链匹配,从支出里面查出相对应的内容啊。 另外呢啊,我们可以去创建这种智能体,可以去创建这种记忆管理,以及呢啊,我们可以去维护自己的文件。好,这里最重要的一点呢,就是我们在使用这一个 app flow 的 时候呢,我们需要去做一些设置,比如说哪一块呢?就是模型提供商这一块。 好,模型提供商呢,这里我们其实只是用了三个提供商啊,一个呢是 deepsea, 第二个呢是轨迹流动,第三个呢是阿里云。好,这里呢我们可以看到它涉及到这种大语言模型呢,这种向量嵌入啊, 语音识别呀,这种应该说图片识别啊,或者实时语音之类的啊,于是呢这个 rock flow 呢,它是支持这种 多模态的这一个内容的输入输出啊,也就说语音、视频、文本等等啊,都是支持的啊。 好,那么这呢我们如何去配置?这里我们很简单啊,比如说我们大语言模型,我们点击这边的搜索大语言模型, 那么如果说我们想去配置某一个提供商的,那点击这一个右上角的这个小箭头啊,就可以跳转到对应的提供商,同样呢,比如说我们这种内嵌模型也是一样的,内嵌模型呢,我们要的是轨迹流动的啊,啊,比如说这种 图片识别, s r 啊,这种文字识别,那么呢我们是用的阿里云的,阿里云的 好,那么这呢就是我们对于这一个 reklog 的 一个大体的介绍啊,好,如果说我们想在本地去部署, 那么呢老朱也整理了相对的文档,文档呢还是比较简单的做一个系统上参数的设置,然后呢,我们把代码克隆下来, 课程下来之后呢,我们去通过 doc compose 去启动这个服务就可以了啊,就这么简单。好,那么我们今天内容呢就分享到这里啊,有需要相关资料的同学呢,可以评论或者留言,一键三连,支持合作。